Yetişkin B., Çalışkan S., Güney İ., Erçelik Ç., Talu M. F.
JOURNAL OF POLYTECHNIC-POLITEKNIK DERGISI, cilt.29, sa.4, ss.1-11, 2026 (ESCI, TRDizin)
Özet
Görüntü bölütleme uygulamalarında yaygın olarak kullanılan UNet modeli, yüksek parametre sayısı, konvolüsyon ağırlık parametrelerini bağımsız değişkenler olarak güncellemesi ve sabit boyutta giriş gereksinimi gibi bazı önemli sınırlılıklara sahiptir. Bu çalışmada, geleneksel UNet modeli ile iki farklı türevinin (Monai-UNet ve WSN-UNet) bölütleme performansları karşılaştırılmıştır. Monai-UNet, görüntüleri bütün olarak değil, parçalar halinde öğrenerek veri işleme sürecini optimize etmektedir. WSN-UNet ise, UNet’in kodlama katmanının yerine dalgacık saçılım ağı (Wavelet Scattering Network) entegre edilerek oluşturulmuştur. Modellerin bölütleme performanslarını değerlendirmek amacıyla farklı karakteristik özelliklere sahip dört farklı veri kümesi (Diş, Hücre, STN ve Kalem) kullanılmıştır. Deneysel sonuçlar, Monai-UNet’in eğitim süresini geleneksel UNet modeline kıyasla %78 oranında azalttığını ve bölütleme doğruluğunu %13 oranında artırdığını göstermektedir. Öte yandan, WSN-UNet modelinin geleneksel UNet modeline kıyasla %49 daha az parametre ile benzer doğruluk seviyesine ulaştığı belirlenmiştir. Bu bulgular, görüntü bölütleme alanında daha optimize ve verimli modellerin kullanımına yönelik yeni araştırmaları teşvik edebilecek niteliktedir.